Biomarcadores morfológicos de imágenes en el hipocampo para la detección del deterioro cognitivo leve
Texto completo:
PDFResumen
Introducción: El hipocampo es una de las estructuras cerebrales más estudiadas para el desarrollo de la enfermedad de Alzheimer porque su morfología se afecta desde la etapa de deterioro cognitivo leve. Las métricas cuantitativas evalúan los cambios morfológicos de diferentes estructuras cerebrales mediante el análisis de neuroimágenes. La compacidad discreta y la tortuosidad se han reportado como posibles biomarcadores de cambios significativos entre poblaciones de sujetos controles sanos y sujetos con deterioro cognitivo leve.
Objetivo: Evaluar el desempeño de la compacidad discreta y la tortuosidad en el hipocampo (derecho e izquierdo) como posibles biomarcadores de neuroimágenes de resonancia magnética para discriminar entre las poblaciones de sujetos controles y sujetos con deterioro cognitivo leve.
Métodos: Se analizaron 98 sujetos, de ellos 49 sanos y 49 con deterioro cognitivo leve. Las imágenes de resonancia magnética y otros datos de los pacientes se obtuvieron de la base de datos del Alzheimer's Disease Neuroimaging Initiative. Se segmentó la estructura del hipocampo (derecho e izquierdo) mediante técnicas de procesamiento de imágenes y se calcularon las métricas de volumen, volumen normalizado, compacidad discreta y tortuosidad. Se realizó un análisis estadístico de los datos con el objetivo de diferenciar las clases. Las métricas se incorporaron a un clasificador automático de bosques aleatorios para discriminar entre las poblaciones de estudio.
Resultados: El análisis estadístico presentó diferencias estadísticamente significativas para las métricas calculadas con un valor de p < 0,01 entre las dos clases de estudio. El algoritmo de clasificación automático de bosques aleatorios, a partir de los indicadores de volumen, volumen normalizado, compacidad discreta y tortuosidad, logró una exactitud en la etapa de entrenamiento del 89,83 % ± 0,052 %. Para la etapa de prueba con datos reservados, la exactitud final fue del 85 %.
Conclusiones: La compacidad discreta y la tortuosidad resultan sensibles a los cambios morfológicos del hipocampo derecho e izquierdo, y pueden caracterizar la etapa de deterioro cognitivo leve; por tanto, pueden considerarse biomarcadores de imágenes, útiles para la detección del deterioro cognitivo leve cuando comienzan a presentarse los primeros síntomas de la enfermedad de Alzheimer.
Palabras clave
Referencias
Ruan Q, D'Onofrio G, Sancarlo D, Bao Z, Greco A, Yu Z. Potential neuroimaging biomarkers of pathologic brain changes in Mild Cognitive Impairment and Alzheimer's disease: a systematic review. BMC Geriatrics. 2016;16:104. DOI: https://doi.org/10.1186/s12877-016-0281-7
Salvatore C, Castiglioni I. A wrapped multi-label classifier for the automatic diagnosis and prognosis of Alzheimer's disease. J Neurosci Methods. 2018;302:58-65. DOI: https://doi.org/10.1016/j.jneumeth.2017.12.016
Moon SW, Lee B, Choi YC. Changes in the hippocampal volume and shape in early-onset mild cognitive impairment. Psychiatry Investig. 2018;15(5):531-7.DOI: https://doi.org/10.30773/pi.2018.02.12
Petersen RC, Smith GE, Waring SC, Ivnik RJ, Tangalos EG, Kokmen E. Mild cognitive impairment. Arch Neurol. 1999;56(3):303-8. DOI: https://doi.org/10.1001/archneur.56.3.303
Henneman WJP, Sluimer JD, Barnes J, Flier WM, Sluimer IC, Fox NC, et al. Hippocampal atrophy rates in Alzheimer disease: Added value over whole brain volume measures. Neurology. 2009;72(11):999-1007. DOI: https://doi.org/10.1212/01.wnl.0000344568.09360.31
Li YD, Dong HB, Xie GM, Zhang Lj. Discriminative analysis of mild Alzheimer's disease and normal aging using volume of hippocampal subfields and hippocampal mean diffusivity. Am J Alzheimer's Dis Other Demen. 2013;28(6):627-33. DOI: https://doi.org/10.1177/1533317513494452
Barnes J, Whitwell JL, Frost C, Josephs KA, Rossor M, Fox NC. Measurements of the amygdala and hippocampus in pathologically confirmed Alzheimer disease and frontotemporal lobar degeneration. Arch Neurol. 2006;63(10):1434-9. DOI: https://doi.org/10.1001/archneur.63.10.1434
Karas GB, Scheltens P, Rombouts SARB, Visser PJ, Schijndel RA, Fox NC, et al. Global and local gray matter loss in mild cognitive impairment and Alzheimer's disease. Neuroimage. 2004;23(2):708-16. DOI: https://doi.org/10.1016/j.neuroimage.2004.07.006
Achterberg HC, Sorensen L, Wolters FJ, Niessen WJ, Vernooij MW, Ikram MA, et al. The value of hippocampal volume, shape, and texture for 11-year prediction of dementia: a population-based study. Neurobiol Aging. 2019;81:58-66. DOI: https://doi.org/10.1016/j.neurobiolaging.2019.05.007
Perez JL, Yanez O, Bribiesca E, Cosío FA, Jiménez JR, Medina V. Description and classification of normal and pathological aging processes based on brain magnetic resonance imaging morphology measures. J Medical Imaging. 2014;1(3):034002. DOI: https://doi.org/10.1117/1.jmi.1.3.034002
Barbará E, Pérez J, Rojas KC, Medina V. Evaluation of brain tortuosity measurement for the automatic multimodal classification of subjects with Alzheimer's disease. Comput Intell Neurosci. 2020;2020:4041832. DOI: https://doi.org/10.1155/2020/4041832
Lebedev AV, Westman E, Westen GJPV, Kramberger MG, Lundervold A, Aarsland D, et al. Random Forest ensembles for detection and prediction of Alzheimer's disease with a good between-cohort robustness. Neuroimage Clin. 2014;6:115-25. DOI: https://doi.org/10.1016/j.nicl.2014.08.023
Dimitriadis SI, Liparas D, Tsolaki MN. Random forest feature selection, fusion and ensemble strategy: Combining multiple morphological MRI measures to discriminate among healhy elderly, MCI, cMCI and alzheimer's disease patients: From the alzheimer's disease neuroimaging initiative (ADNI) database. J Neurosci Methods. 2018;302:14-23. DOI: https://doi.org/10.1016/j.jneumeth.2017.12.010
Ramírez J, Górriz JM, Ortiz A, Martínez FJ, Segovia F, Salas D, et al. Ensemble of random forests One vs. Rest classifiers for MCI and AD prediction using ANOVA cortical and subcortical feature selection and partial least squares. J Neurosci Methods. 2018;302:47-57. DOI: https://doi.org/10.1016/j.jneumeth.2017.12.005
Fischl B, Salat DH, Busa E, Albert M, Dieterich M, Haselgrove C, et al. Whole brain segmentation. Neuron. 2002;33(3):341-55. DOI: https://doi.org/10.1016/s0896-6273(02)00569-x
Fischl B, Kouwe A, Destrieux C, Halgren E, Ségonne F, Salat D, et al. Automatically parcellating the human cerebral cortex. Cereb Cortex. 2004;14(1):11-22. DOI: https://doi.org/10.1093/cercor/bhg087
Bribiesca E. An easy measure of compactness for 2D and 3D shapes. Pattern Recogn. 2008;41(2):543-54. DOI: https://doi.org/10.1016/j.patcog.2007.06.029
Bullitt E, Gerig G, Pizer SM, Lin W, Aylward SR. Measuring tortuosity of the intracerebral vasculature from MRA images. IEEE Trans Med Imaging. 2003;22(9):1163-71. DOI: https://doi.org/10.1109/tmi.2003.816964
Ostertagová E, Ostertag O, Kovác J. Methodology and application of the Kruskal-Wallis Test. Applied mechanics and materials. 2014;611:115-20. DOI: https://doi.org/10.4028/www.scientific.net/AMM.611.115
Sarica A, Cerasa A, Quattrone A. Random Forest algorithm for the classification of neuroimaging data in Alzheimers disease: a systematic review. Front Aging Neurosci. 2017;9:329. DOI: https://doi.org/10.3389/fnagi.2017.00329
Sorensen L, Igel C, Pai A, Balas I, Anker C, Lillholm M, et al. Differential diagnosis of mild cognitive impairment and Alzheimers disease using structural MRI cortical thickness, hippocampal shape, hippocampal texture, and volumetry. Neuroimage Clin. 2017;13:470-82. DOI: https://doi.org/10.1016/j.nicl.2016.11.025
Gonzalo C, Ladrón de Guevara D, Rodrigo F, Brunetti E, Evelyng L, Marcelo M. Neuroimágenes en demencia. Rev Méd Clín Las Condes. 2016;27(3):338-56. DOI: https://doi.org/10.1016/j.rmclc.2016.06.008
![Licencia de Creative Commons](https://i.creativecommons.org/l/by-nc/4.0/88x31.png)
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.